NLP_构建GPT模型并完成文本生成任务

已于 2024-08-24 15:14:11 修改
阅读量1.6k 收藏 25
点赞数 29
分类专栏： NLP 大模型 文章标签： 自然语言处理 gpt 人工智能
于 2024-02-22 20:10:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42504788/article/details/136241612
版权

文章目录

搭建GPT模型（解码器）

GPT 只使用了 Transformer的解码器部分，其关键组件如图所示：
在这里插入图片描述

搭建 GPT 模型的代码的关键组件如下。

  • 组件1 多头自注意力:通过ScaledDotProductAttention 类实现缩放点积注意力机制，然后通过MultiHeadAttention 类实现多头自注意力机制。
  • 组件2 逐位置前馈网络:通过PoswiseFeedForwardNet类实现逐位置前馈网络。
  • 组件3 正弦位置编码表:通过get_sin_code_table 函数生成正弦位置编码表。
  • 组件4 填充掩码:通过get_attn_pad_mask函数为填充 token《pad》生成注意力掩码，避免注意力机制关注无用的信息。
  • 组件5 后续掩码:通过get_attn_subsequent_mask函数为后续token(当前位置后面的信息)生成注意力掩码，避免解码器中的注意力机制“偷窥”未来的目标数据。
  • 组件6 解码器层:通过DecoderLayer类定义解码器的单层。
  • 组件7 解码器:通过 Decoder类定义Transformer模型的完整解码器部分。
  • 组件8 GPT:在解码器的基础上添加一个投影层，将解码器输出的特征向量转换为预测结果，实现文本生成。

上述组件1~组件5，和前面的Transformer的相应组件完全相同，因此这里略过。下面的代码说明从组件6解码器层讲起。

组件6 解码器层类：

因为GPT模型没有编码器组件，也不需要来自编码器的输出，因此GPT解码器的实现更简洁。GPT模型也省略了编码器一解码器注意力机制，因此模型的训练速度更快。其解码器结构和Transformer解码器结构的特点见下表：
在这里插入图片描述

下面构建 GPT 模型的解码器层代码：

# 定义解码器层类
class DecoderLayer(nn.Module):
    def __init__(self):
        super(DecoderLayer, self).__init__()
        self.self_attn = MultiHeadAttention()  # 多头自注意力层
        self.feed_forward = PoswiseFeedForwardNet()  # 逐位置前馈网络层
        self.norm1 = nn.LayerNorm(d_embedding)  # 第一个层归一化
        self.norm2 = nn.LayerNorm(d_embedding)  # 第二个层归一化
    def forward(self, dec_inputs, attn_mask=None):
        # 使用多头自注意力处理输入
        attn_output, _ = self.self_attn(dec_inputs, dec_inputs, dec_inputs, attn_mask)
        # 将注意力输出与输入相加并进行第一个层归一化
        norm1_outputs = self.norm1(dec_inputs + attn_output)
        # 将归一化后的输出输入到位置前馈神经网络
        ff_outputs = self.feed_forward(norm1_outputs)
        # 将前馈神经网络输出与第一次归一化后的输出相加并进行第二个层归一化
        dec_outputs = self.norm2(norm1_outputs + ff_outputs)
        return dec_outputs # 返回解码器层输出

GPT的解码器层的输入仅为dec_inputs和attn_mask，没有使用编码器的输出，输出为 dec_outputs。

GPT 解码器层的构造比Transformer的解码器层简单，仅包含一个多头自注意力层MultiHeadAttention和一个逐位置前馈网络层PosFeedForwardNet，后面接了两个层归一化nn.LayerNorm。
解码器层中，两个层归一化的作用如下。

  • 第一个层归一化norm1:在多头自注意力self_attn 处理后，将注意力输出attn_ output与原始输入dec_inputs相加。这种加和操作实现了残差连接，可以加速梯度反向传播，有助于训练深层网络。将相加后的结果进行层归一化。层归一化对输入进行标准化处理，使其具有相同的均值和方差。这有助于减少梯度消失或梯度爆炸问题，从而提高模型训练的稳定性。

  • 第二个层归一化 norm2:在逐位置前馈网络feed_forward处理后，将前馈神经网络输出 ff_outputs 与第一个层归一化输出norm1_outputs 相加。这里同样实现了残差连接。将相加后的结果进行层归一化。这一步骤的目的与第一个层归一化相同，即标准化输入数据，以提高训练稳定性。

通过这两个层归一化操作，第一个解码器层可以在多头自注意力和逐位置前馈网络之间实现更稳定的信息传递，从而提高模型的训练效果。

组件7 解码器类：
下面基于解码器层来搭建解码器。

#  定义解码器类
n_layers = 6  # 设置 Decoder 的层数
class Decoder(nn.Module):
    def __init__(self, vocab_size, max_seq_len):
        super(Decoder, self).__init__()
        # 词嵌入层（参数为词典维度）
        self.src_emb = nn.Embedding(vocab_size, d_embedding)  
        # 位置编码层（参数为序列长度）
        self.pos_emb = nn.Embedding(max_seq_len, d_embedding)
        # 初始化 N 个解码器层       
        self.layers = nn.ModuleList([DecoderLayer() for _ in range(n_layers)]) 
    def forward(self, dec_inputs):        
        # 创建位置信息
        positions = torch.arange(len(dec_inputs), device=dec_inputs.device).unsqueeze(-1)
        # 将词嵌入与位置编码相加
        inputs_embedding = self.src_emb(dec_inputs) + self.pos_emb(positions)
        # 生成自注意力掩码
        attn_mask = get_attn_subsequent_mask(inputs_embedding).to(device)
        # 初始化解码器输入，这是第一层解码器层的输入 
        dec_outputs =  inputs_embedding 
        for layer in self.layers:
            # 将输入数据传递给解码器层，并返回解码器层的输出，作为下一层的输入
            dec_outputs = layer(dec_outputs, attn_mask) 
        return dec_outputs # 返回解码器输出

GPT解码器的结构比Transformer解码器的结构简单，因为GPT是一个单向生成式模型，只关注生成文本而不关注源文本。GPT不需要实现编码器-解码器注意力的部分，仅接收解码器的输入，然后进行词嵌入和位置编码，并将二者相加，继而生成后续自注意力掩码，来保证每个位置只能看到当前位置之前的信息，以保持生成文本的自回归特性。最后把嵌入向量和掩码信息传递给解码器层，并行处理，并接收结果向量 dec_outputs，然后把它返回给GPT 模型。

组件8 GPT模型：

# 定义 GPT 模型
class GPT(nn.Module):
    def __init__(self, vocab_size, max_seq_len):
        super(GPT, self).__init__()
        self.decoder = Decoder(vocab_size, max_seq_len) # 解码器，用于学习文本生成能力
        self.projection = nn.Linear(d_embedding, vocab_size)  # 全连接层，输出预测结果
    def forward(self, dec_inputs):        
        dec_outputs = self.decoder(dec_inputs) # 将输入数据传递给解码器
        logits = self.projection(dec_outputs) # 传递给全连接层以生成预测
        return logits # 返回预测结果

在这个简化版的GPT模型中：解码器类负责学习文本生成能力;一个全连接层将解码器输出的特征向量映射到一个概率分布，表示生成每个单词的概率logits，用于将解码器的输出转换为与词汇表大小相匹配的预测结果。

GPT模型仅包含解码器部分，没有编码器部分。因此，它更适用于无条件文本生成任务，而不是类似机器翻译或问答等需要编码器——解码器结构的任务。

构建文本生成任务的数据集

选择一个适合GPT模型的任务——文本生成。准备一个训练语料库。这个语料库是由现实中存在的文字组成的。比起维基百科等大型语料库，我们的语料库中的数据比较少，你可以把它看成人类语料库的一个缩影。

下面，构建语料库类LanguageCorpus，用于读入并整理语料，创建批次数据。

# 构建语料库
from collections import Counter
class LanguageCorpus:
    def __init__(self, sentences):
        self.sentences = sentences
        # 计算语言的最大句子长度，并加 2 以容纳特殊符号 <sos> 和 <eos>
        self.seq_len = max([len(sentence.split()) for sentence in sentences]) + 2
        self.vocab = self.create_vocabulary() # 创建源语言和目标语言的词汇表
        self.idx2word = {v: k for k, v in self.vocab.items()} # 创建索引到单词的映射
    def create_vocabulary(self):
        vocab = {'<pad>': 0, '<sos>': 1, '<eos>': 2}
        counter = Counter()
        # 统计语料库的单词频率
        for sentence in self.sentences:
            words = sentence.split()
            counter.update(words)
        # 创建词汇表，并为每个单词分配一个唯一的索引
        for word in counter:
            if word not in vocab:
                vocab[word] = len(vocab)
        return vocab
    def make_batch(self, batch_size, test_batch=False):
        input_batch, output_batch = [], [] # 初始化批数据
        sentence_indices = torch.randperm(len(self.sentences))[:batch_size] # 随机选择句子索引
        for index in sentence_indices:
            sentence = self.sentences[index]
            # 将句子转换为索引序列
            seq = [self.vocab['<sos>']] + [self.vocab[word] for word in sentence.split()] + [self.vocab['<eos>']]
            seq += [self.vocab['<pad>']] * (self.seq_len - len(seq)) # 对序列进行填充
            # 将处理好的序列添加到批次中
            input_batch.append(seq[:-1])
            output_batch.append(seq[1:])
        return torch.LongTensor(input_batch), torch.LongTensor(output_batch)

这个类的主要功能是创建词汇表、将句子转换为索引序列、生成批次数据等，其中最重要的是make_batch方法中生成批次数据时的“向右位移”操作，这是训练生成式语言模型的关键所在。
(1)在_init_方法中，初始化实例变量，包括语料库中的句子、最大句子长度(加上特殊符号《sos》和《eos》)、词汇表及索引到单词的映射。
(2) create_vocabulary方法用于创建词汇表。首先定义特殊符号，然后统计所有句子中的单词频率。最后，为每个单词分配一个唯一的索引。
(3) make_batch方法用于生成批次数据。首先随机选择句子索引，然后将选定的句子转换为索引序列并进行填充，接着通过“向右位移”操作生成输入序列和输出(目标)序列(seq[:-1]表示去掉最后一个元素的序列，用作输入序列;seq[1:]表示从第二个元素开始的序列，用作目标序列)。最后，将处理好的序列添加到输入批次和输出批次中。
假设有一个句子序列为“《sos》咖哥 喜欢 小冰 《eos》”。
输入序列 input_batch :《sos》 咖哥 喜欢小冰。
目标序列output_batch :咖哥喜欢 小冰 《eos》。

根据文件创建一个语料库实例，并显示其中的一些信息。

with open("lang.txt", "r") as file: # 从文件中读入语料
    sentences = [line.strip() for line in file.readlines()]
corpus = LanguageCorpus(sentences) # 创建语料库
vocab_size = len(corpus.vocab) # 词汇表大小
max_seq_len = corpus.seq_len # 最大句子长度（用于设置位置编码）
print(f" 语料库词汇表大小 : {vocab_size}") # 打印词汇表大小
print(f" 最长句子长度 : {max_seq_len}") # 打印最大序列长

在这里插入图片描述

现在，有了语料库和批次数据，可以开始GPT模型的训练。

训练过程中的自回归

import torch.optim as optim # 导入优化器
device = "cuda" if torch.cuda.is_available() else "cpu" # 设置设备
model = GPT(vocab_size, max_seq_len).to(device) # 创建 GPT 模型实例
criterion = nn.CrossEntropyLoss() # 损失函数
optimizer = optim.Adam(model.parameters(), lr=0.0001) # 优化器
epochs = 500 # 训练轮次
for epoch in range(epochs):  # 训练 epochs 轮
    optimizer.zero_grad() # 梯度清零
    inputs, targets = corpus.make_batch(batch_size) # 创建训练数据
    inputs, targets = inputs.to(device), targets.to(device)
    outputs = model(inputs) # 获取模型输出 
    loss = criterion(outputs.view(-1, vocab_size), targets.view(-1)) # 计算损失
    if (epoch + 1) % 100 == 0: # 打印损失
        print(f"Epoch: {epoch + 1:04d} cost = {loss:.6f}")
    loss.backward() # 反向传播
    optimizer.step() # 更新参数

在这里插入图片描述

这段代码与之前示例中的训练代码毫无二致。训练数据由给定的输入句子构成，这些句子已经被编码为数字表示(词汇表中的索引)。在每个训练批次中，模型的输入是当前单词序列，而目标输出是该序列中每个单词的下一个单词。为了计算损失，模型预测下一个单词的概率分布(对于整个词汇表)，然后使用交叉熵损失函数比较这些预测概率和实际目标单词。

这里的“自回归”体现在模型的训练目标上，也就是输入序列和目标序列的构造及损失的计算上。模型需要预测给定前文的下一个单词，这意味着模型在每个时间步生成一个条件概率，这个概率依赖于先前的所有单词。

  • 输入序列和目标序列的创建:通过右移操作，目标序列是输入序列向右移动一个位置的结果。这样，模型在学习预测给定上下文的下一个单词时，能够利用先前的单词信息;而通过后续注意力掩码，模型在注意力计算过程中看不到后面的信息。

  • 损失计算:将模型的输出序列与目标序列进行比较以计算损失。因为输出序列的每个位置对应一个预测的单词，所以这个损失体现了模型在预测给定上文的下一个单词时的性能。交叉熵损失用于衡量预测分布与实际分布之间的差异。

当然了，基于Transformer架构的并行处理能力，虽然在训练阶段没有显式地将自回归过程建模，但自回归过程通过后续注意力掩码实现;在推理阶段(即生成新文本时)，模型会根据先前生成的单词来生成下一个单词，从而体现出自回归特性。

文本生成中的自回归（贪婪搜索）

def generate_text(model, input_str,max_len=50):
    model.eval()#将模型设置为评估(测试)模式，关闭dropout 和 batch normalization等训练相关的层
    # 将输入字符串中的每个token转换为其在词汇表中的索引 
    input_tokens = [corpus.vocab[token] for token in input_str]
    #创建一个新列表，将输人的tokens复制到输出tokens中，目前只有输入的词 
    output_tokens = input_tokens.copy()
    with torch.no_grad():# 禁用梯度计算，以节省内存并加速测试过程 
        for _ in range(max_len):   # 生成最多 max_len个tokens
            #将输出的 token 转换为PyTorch张量，并增加一个代表批次的维度[1,len(output_tokens)] 
            inputs = torch.LongTensor(output_tokens).unsqueeze(0).to(device)
            outputs = model(inputs) # 输出 logits 形状为[1, len(output_tokens), vocab_size]
            # 在最后一个维度上获取logits中的最大值，并返回其索引(即下一个token)
            _, next_token = torch.max(outputs[:, -1, :], dim=-1)
            next_token = next_token.item()#将张量转换为Python整数 
            if next_token == corpus.vocab["<eos>"]:
                break #如果生成的token是EOS(结束符)，则停止生成过程
            output_tokens.append(next_token) #将生成的 tokens 添加到output_tokens 列表
    #将输出 tokens转换回文本字符串
    output_str = " ".join([corpus.idx2word[token] for token in output_tokens])
    return output_str
                           
input_str = ["Python"]#输入一个词:Python
generated_text = generate_text(model, input_str) #模型根据这个词生成后续文本 
print("生成的文本:",generated_text) #打印预测文本

在这里插入图片描述

自回归是生成式模型的一个重要特征，可在文本生成任务中逐步生成序列。

这段代码的generate_text函数的目的就是根据给定的输入字符串生成一个后续的文本序列。首先，代码将输入字符串转换为一个单词索引的列表input_tokens，然后，将这些输入的token作为初始生成的文本output_tokens。接下来，函数进入一个循环，该循环将逐个生成新的token，直到达到最大长度max_len或者遇到句子结束标记《eos》。在每次循环中，代码将当前的output_tokens 输入模型，然后从模型的输出中选择具有最高概率的单词作为下一个生成的单词。这个新生成的单词被添加到 output_tokens列表中，再在下一轮迭代中被用作输入单词。

这个过程就是自回归，因为在每一步中，模型都根据之前生成的单词序列生成下一个单词。这使得生成的文本在语法和上下文方面具有连贯性。

在生成文本的算法选择上，这个函数使用的是贪婪搜索算法，也就是贪婪解码。所谓贪婪解码，指的就是我们在每个时间步只选择概率最高的输出单词。在代码_，next_ token = torch.max(outputs[:,-1，:],dim=-1)中，选取了outputs词汇表这个维度中具有最大概率的单词索引作为next_token。然后，这个单词会被添加到output_ tokens 列表中，用作下一个时间步的输入。

贪婪解码在我们这个例子中，效果还算不错。在有些情况下，贪婪解码计算效率高，但容易产生一些问题，如tokens(比如《eos》)反复出现，无意义词句组合循环出现，这是因为算法陷入局部最优解。而另一种常见的搜索算法是集束搜索，它能够更好地平衡全局最优解和局部最优解。

完整代码

组件1 多头自注意力:通过ScaledDotProductAttention 类实现缩放点积注意力机制，然后通过MultiHeadAttention 类实现多头自注意力机制。

import numpy as np # 导入 numpy 库
import torch # 导入 torch 库
import torch.nn as nn # 导入 torch.nn 库
d_k = 64 # K(=Q) 维度
d_v = 64 # V 维度
# 定义缩放点积注意力类
class ScaledDotProductAttention(nn.Module):
    def __init__(self):
        super(ScaledDotProductAttention, self).__init__()        
    def forward(self, Q, K, V, attn_mask):
        #------------------------- 维度信息 --------------------------------        
        # Q K V [batch_size, n_heads, len_q/k/v, dim_q=k/v] (dim_q=dim_k)
        # attn_mask [batch_size, n_heads, len_q, len_k]
        #----------------------------------------------------------------
        # 计算注意力分数（原始权重）[batch_size，n_heads，len_q，len_k]
        scores = torch.matmul(Q, K.transpose(-1, -2)) / np.sqrt(d_k) 
        #------------------------- 维度信息 --------------------------------        
        # scores [batch_size, n_heads, len_q, len_k]
        #-----------------------------------------------------------------        
        # 使用注意力掩码，将 attn_mask 中值为 1 的位置的权重替换为极小值
        #------------------------- 维度信息 -------------------------------- 
        # attn_mask [batch_size, n_heads, len_q, len_k], 形状和 scores 相同
        #-----------------------------------------------------------------    
        scores.masked_fill_(attn_mask, -1e9) 
        # 对注意力分数进行 softmax 归一化
        weights = nn.Softmax(dim=-1)(scores) 
        #------------------------- 维度信息 -------------------------------- 
        # weights [batch_size, n_heads, len_q, len_k], 形状和 scores 相同
        #-----------------------------------------------------------------         
        # 计算上下文向量（也就是注意力的输出）, 是上下文信息的紧凑表示
        context = torch.matmul(weights, V) 
        #------------------------- 维度信息 -------------------------------- 
        # context [batch_size, n_heads, len_q, dim_v]
        #-----------------------------------------------------------------    
        return context, weights # 返回上下文向量和注意力分数

# 定义多头自注意力类
d_embedding = 512  # Embedding 的维度
n_heads = 8  # Multi-Head Attention 中头的个数
batch_size = 3 # 每一批的数据大小
class MultiHeadAttention(nn.Module):
    def __init__(self):
        super(MultiHeadAttention, self).__init__()
        self.W_Q = nn.Linear(d_embedding, d_k * n_heads) # Q的线性变换层
        self.W_K = nn.Linear(d_embedding, d_k * n_heads) # K的线性变换层
        self.W_V = nn.Linear(d_embedding, d_v * n_heads) # V的线性变换层
        self.linear = nn.Linear(n_heads * d_v, d_embedding)
        self.layer_norm = nn.LayerNorm(d_embedding)
    def forward(self, Q, K, V, attn_mask): 
        #------------------------- 维度信息 -------------------------------- 
        # Q K V [batch_size, len_q/k/v, embedding_dim] 
        #-----------------------------------------------------------------        
        residual, batch_size = Q, Q.size(0) # 保留残差连接
        # 将输入进行线性变换和重塑，以便后续处理
        q_s = self.W_Q(Q).view(batch_size, -1, n_heads, d_k).transpose(1,2)        
        k_s = self.W_K(K).view(batch_size, -1, n_heads, d_k).transpose(1,2)
        v_s = self.W_V(V).view(batch_size, -1, n_heads, d_v).transpose(1,2)
        #------------------------- 维度信息 -------------------------------- 
        # q_s k_s v_s: [batch_size, n_heads, len_q/k/v, d_q=k/v]
        #----------------------------------------------------------------- 
        # 将注意力掩码复制到多头 attn_mask: [batch_size, n_heads, len_q, len_k]
        attn_mask = attn_mask.unsqueeze(1).repeat(1, n_heads, 1, 1)
        #------------------------- 维度信息 -------------------------------- 
        # attn_mask [batch_size, n_heads, len_q, len_k]
        #----------------------------------------------------------------- 
        # 使用缩放点积注意力计算上下文和注意力权重
        context, weights = ScaledDotProductAttention()(q_s, k_s, v_s, attn_mask)
        #------------------------- 维度信息 -------------------------------- 
        # context [batch_size, n_heads, len_q, dim_v]
        # weights [batch_size, n_heads, len_q, len_k]
        #----------------------------------------------------------------- 
        # 通过调整维度将多个头的上下文向量连接在一起
        context = context.transpose(1, 2).contiguous().view(batch_size, -1, n_heads * d_v) 
        #------------------------- 维度信息 -------------------------------- 
        # context [batch_size, len_q, n_heads * dim_v]
        #-----------------------------------------------------------------        
        # 用一个线性层把连接后的多头自注意力结果转换，原始地嵌入维度
        output = self.linear(context) 
        #------------------------- 维度信息 -------------------------------- 
        # output [batch_size, len_q, embedding_dim]
        #-----------------------------------------------------------------        
        # 与输入 (Q) 进行残差链接，并进行层归一化后输出
        output = self.layer_norm(output + residual)
        #------------------------- 维度信息 -------------------------------- 
        # output [batch_size, len_q, embedding_dim]
        #-----------------------------------------------------------------        
        return output, weights # 返回层归一化的输出和注意力权重

组件2 逐位置前馈网络：通过PoswiseFeedForwardNet类实现逐位置前馈网络。

# 定义逐位置前馈网络类
class PoswiseFeedForwardNet(nn.Module):
    def __init__(self, d_ff=2048):
        super(PoswiseFeedForwardNet, self).__init__()
        # 定义一维卷积层 1，用于将输入映射到更高维度
        self.conv1 = nn.Conv1d(in_channels=d_embedding, out_channels=d_ff, kernel_size=1)
        # 定义一维卷积层 2，用于将输入映射回原始维度
        self.conv2 = nn.Conv1d(in_channels=d_ff, out_channels=d_embedding, kernel_size=1)
        # 定义层归一化
        self.layer_norm = nn.LayerNorm(d_embedding)
    def forward(self, inputs): 
        #------------------------- 维度信息 -------------------------------- 
        # inputs [batch_size, len_q, embedding_dim]
        #----------------------------------------------------------------                       
        residual = inputs  # 保留残差连接 
        # 在卷积层 1 后使用 ReLU 激活函数 
        output = nn.ReLU()(self.conv1(inputs.transpose(1, 2))) 
        #------------------------- 维度信息 -------------------------------- 
        # output [batch_size, d_ff, len_q]
        #----------------------------------------------------------------
        # 使用卷积层 2 进行降维 
        output = self.conv2(output).transpose(1, 2) 
        #------------------------- 维度信息 -------------------------------- 
        # output [batch_size, len_q, embedding_dim]
        #----------------------------------------------------------------
        # 与输入进行残差链接，并进行层归一化
        output = self.layer_norm(output + residual) 
        #------------------------- 维度信息 -------------------------------- 
        # output [batch_size, len_q, embedding_dim]
        #----------------------------------------------------------------
        return output # 返回加入残差连接后层归一化的结果

组件3 正弦位置编码表：通过get_sin_code_table 函数生成正弦位置编码表。

# 生成正弦位置编码表的函数，用于在 Transformer 中引入位置信息
def get_sin_enc_table(n_position, embedding_dim):
    #------------------------- 维度信息 --------------------------------
    # n_position: 输入序列的最大长度
    # embedding_dim: 词嵌入向量的维度
    #-----------------------------------------------------------------    
    # 根据位置和维度信息，初始化正弦位置编码表
    sinusoid_table = np.zeros((n_position, embedding_dim))    
    # 遍历所有位置和维度，计算角度值
    for pos_i in range(n_position):
        for hid_j in range(embedding_dim):
            angle = pos_i / np.power(10000, 2 * (hid_j // 2) / embedding_dim)
            sinusoid_table[pos_i, hid_j] = angle    
    # 计算正弦和余弦值
    sinusoid_table[:, 0::2] = np.sin(sinusoid_table[:, 0::2])  # dim 2i 偶数维
    sinusoid_table[:, 1::2] = np.cos(sinusoid_table[:, 1::2])  # dim 2i+1 奇数维    
    #------------------------- 维度信息 --------------------------------
    # sinusoid_table 的维度是 [n_position, embedding_dim]
    #----------------------------------------------------------------   
    return torch.FloatTensor(sinusoid_table)  # 返回正弦位置编码表

组件4 填充掩码：通过get_attn_pad_mask函数为填充 token《pad》生成注意力掩码，避免注意力机制关注无用的信息。

# 定义填充注意力掩码函数
def get_attn_pad_mask(seq_q, seq_k):
    #------------------------- 维度信息 --------------------------------
    # seq_q 的维度是 [batch_size, len_q]
    # seq_k 的维度是 [batch_size, len_k]
    #-----------------------------------------------------------------
    batch_size, len_q = seq_q.size()
    batch_size, len_k = seq_k.size()
    # 生成布尔类型张量
    pad_attn_mask = seq_k.data.eq(0).unsqueeze(1)  # <PAD>token 的编码值为 0
    #------------------------- 维度信息 --------------------------------
    # pad_attn_mask 的维度是 [batch_size，1，len_k]
    #-----------------------------------------------------------------
    # 变形为与注意力分数相同形状的张量 
    pad_attn_mask = pad_attn_mask.expand(batch_size, len_q, len_k)
    #------------------------- 维度信息 --------------------------------
    # pad_attn_mask 的维度是 [batch_size，len_q，len_k]
    #-----------------------------------------------------------------
    return pad_attn_mask # 返回填充位置的注意力掩码

# 定义编码器层类
class EncoderLayer(nn.Module):
    def __init__(self):
        super(EncoderLayer, self).__init__()        
        self.enc_self_attn = MultiHeadAttention() # 多头自注意力层        
        self.pos_ffn = PoswiseFeedForwardNet() # 位置前馈神经网络层
    def forward(self, enc_inputs, enc_self_attn_mask):
        #------------------------- 维度信息 --------------------------------
        # enc_inputs 的维度是 [batch_size, seq_len, embedding_dim]
        # enc_self_attn_mask 的维度是 [batch_size, seq_len, seq_len]
        #-----------------------------------------------------------------
        # 将相同的 Q，K，V 输入多头自注意力层 , 返回的 attn_weights 增加了头数  
        enc_outputs, attn_weights = self.enc_self_attn(enc_inputs, enc_inputs,
                                               enc_inputs, enc_self_attn_mask)
        #------------------------- 维度信息 --------------------------------
        # enc_outputs 的维度是 [batch_size, seq_len, embedding_dim] 
        # attn_weights 的维度是 [batch_size, n_heads, seq_len, seq_len]      
        # 将多头自注意力 outputs 输入位置前馈神经网络层
        enc_outputs = self.pos_ffn(enc_outputs) # 维度与 enc_inputs 相同
        #------------------------- 维度信息 --------------------------------
        # enc_outputs 的维度是 [batch_size, seq_len, embedding_dim] 
        #-----------------------------------------------------------------
        return enc_outputs, attn_weights # 返回编码器输出和每层编码器注意力权重

# 定义编码器类
n_layers = 6  # 设置 Encoder 的层数
class Encoder(nn.Module):
    def __init__(self, corpus):
        super(Encoder, self).__init__()        
        self.src_emb = nn.Embedding(len(corpus.src_vocab), d_embedding) # 词嵌入层
        self.pos_emb = nn.Embedding.from_pretrained( \
          get_sin_enc_table(corpus.src_len+1, d_embedding), freeze=True) # 位置嵌入层
        self.layers = nn.ModuleList(EncoderLayer() for _ in range(n_layers))# 编码器层数
    def forward(self, enc_inputs):  
        #------------------------- 维度信息 --------------------------------
        # enc_inputs 的维度是 [batch_size, source_len]
        #-----------------------------------------------------------------
        # 创建一个从 1 到 source_len 的位置索引序列
        pos_indices = torch.arange(1, enc_inputs.size(1) + 1).unsqueeze(0).to(enc_inputs)
        #------------------------- 维度信息 --------------------------------
        # pos_indices 的维度是 [1, source_len]
        #-----------------------------------------------------------------             
        # 对输入进行词嵌入和位置嵌入相加 [batch_size, source_len，embedding_dim]
        enc_outputs = self.src_emb(enc_inputs) + self.pos_emb(pos_indices)
        #------------------------- 维度信息 --------------------------------
        # enc_outputs 的维度是 [batch_size, seq_len, embedding_dim]
        #-----------------------------------------------------------------
        # 生成自注意力掩码
        enc_self_attn_mask = get_attn_pad_mask(enc_inputs, enc_inputs) 
        #------------------------- 维度信息 --------------------------------
        # enc_self_attn_mask 的维度是 [batch_size, len_q, len_k]        
        #-----------------------------------------------------------------         
        enc_self_attn_weights = [] # 初始化 enc_self_attn_weights
        # 通过编码器层 [batch_size, seq_len, embedding_dim]
        for layer in self.layers: 
            enc_outputs, enc_self_attn_weight = layer(enc_outputs, enc_self_attn_mask)
            enc_self_attn_weights.append(enc_self_attn_weight)
        #------------------------- 维度信息 --------------------------------
        # enc_outputs 的维度是 [batch_size, seq_len, embedding_dim] 维度与 enc_inputs 相同
        # enc_self_attn_weights 是一个列表，每个元素的维度是 [batch_size, n_heads, seq_len, seq_len]          
        #-----------------------------------------------------------------
        return enc_outputs, enc_self_attn_weights # 返回编码器输出和编码器注意力权重

组件5 后续掩码：通过get_attn_subsequent_mask函数为后续token(当前位置后面的信息)生成注意力掩码，避免解码器中的注意力机制“偷窥”未来的目标数据。

# 生成后续注意力掩码的函数，用于在多头自注意力计算中忽略未来信息
def get_attn_subsequent_mask(seq):
    #------------------------- 维度信息 --------------------------------
    # seq 的维度是 [batch_size, seq_len(Q)=seq_len(K)]
    #-----------------------------------------------------------------
    # 获取输入序列的形状
    attn_shape = [seq.size(0), seq.size(1), seq.size(1)]  
    #------------------------- 维度信息 --------------------------------
    # attn_shape 是一个一维张量 [batch_size, seq_len(Q), seq_len(K)]
    #-----------------------------------------------------------------
    # 使用 numpy 创建一个上三角矩阵（triu = triangle upper）
    subsequent_mask = np.triu(np.ones(attn_shape), k=1)
    #------------------------- 维度信息 --------------------------------
    # subsequent_mask 的维度是 [batch_size, seq_len(Q), seq_len(K)]
    #-----------------------------------------------------------------
    # 将 numpy 数组转换为 PyTorch 张量，并将数据类型设置为 byte（布尔值）
    subsequent_mask = torch.from_numpy(subsequent_mask).byte()
    #------------------------- 维度信息 --------------------------------
    # 返回的 subsequent_mask 的维度是 [batch_size, seq_len(Q), seq_len(K)]
    #-----------------------------------------------------------------
    return subsequent_mask # 返回后续位置的注意力掩码

组件6 解码器层：通过DecoderLayer类定义解码器的单层。

# 定义解码器层类
class DecoderLayer(nn.Module):
    def __init__(self):
        super(DecoderLayer, self).__init__()
        self.self_attn = MultiHeadAttention()  # 多头自注意力层
        self.feed_forward = PoswiseFeedForwardNet()  # 逐位置前馈网络层
        self.norm1 = nn.LayerNorm(d_embedding)  # 第一个层归一化
        self.norm2 = nn.LayerNorm(d_embedding)  # 第二个层归一化
    def forward(self, dec_inputs, attn_mask=None):
        # 使用多头自注意力处理输入
        attn_output, _ = self.self_attn(dec_inputs, dec_inputs, dec_inputs, attn_mask)
        # 将注意力输出与输入相加并进行第一个层归一化
        norm1_outputs = self.norm1(dec_inputs + attn_output)
        # 将归一化后的输出输入到位置前馈神经网络
        ff_outputs = self.feed_forward(norm1_outputs)
        # 将前馈神经网络输出与第一次归一化后的输出相加并进行第二个层归一化
        dec_outputs = self.norm2(norm1_outputs + ff_outputs)
        return dec_outputs # 返回解码器层输出

组件7 解码器：通过 Decoder类定义Transformer模型的完整解码器部分。

#  定义解码器类
n_layers = 6  # 设置 Decoder 的层数
class Decoder(nn.Module):
    def __init__(self, vocab_size, max_seq_len):
        super(Decoder, self).__init__()
        # 词嵌入层（参数为词典维度）
        self.src_emb = nn.Embedding(vocab_size, d_embedding)  
        # 位置编码层（参数为序列长度）
        self.pos_emb = nn.Embedding(max_seq_len, d_embedding)
        # 初始化 N 个解码器层       
        self.layers = nn.ModuleList([DecoderLayer() for _ in range(n_layers)]) 
    def forward(self, dec_inputs):        
        # 创建位置信息
        positions = torch.arange(len(dec_inputs), device=dec_inputs.device).unsqueeze(-1)
        # 将词嵌入与位置编码相加
        inputs_embedding = self.src_emb(dec_inputs) + self.pos_emb(positions)
        # 生成自注意力掩码
        attn_mask = get_attn_subsequent_mask(inputs_embedding).to(device)
        # 初始化解码器输入，这是第一层解码器层的输入 
        dec_outputs =  inputs_embedding 
        for layer in self.layers:
            # 将输入数据传递给解码器层，并返回解码器层的输出，作为下一层的输入
            dec_outputs = layer(dec_outputs, attn_mask) 
        return dec_outputs # 返回解码器输出

组件8 GPT：

# 定义 GPT 模型
class GPT(nn.Module):
    def __init__(self, vocab_size, max_seq_len):
        super(GPT, self).__init__()
        self.decoder = Decoder(vocab_size, max_seq_len) # 解码器，用于学习文本生成能力
        self.projection = nn.Linear(d_embedding, vocab_size)  # 全连接层，输出预测结果
    def forward(self, dec_inputs):        
        dec_outputs = self.decoder(dec_inputs) # 将输入数据传递给解码器
        logits = self.projection(dec_outputs) # 传递给全连接层以生成预测
        return logits # 返回预测结果

# 构建语料库
from collections import Counter
class LanguageCorpus:
    def __init__(self, sentences):
        self.sentences = sentences
        # 计算语言的最大句子长度，并加 2 以容纳特殊符号 <sos> 和 <eos>
        self.seq_len = max([len(sentence.split()) for sentence in sentences]) + 2
        self.vocab = self.create_vocabulary() # 创建源语言和目标语言的词汇表
        self.idx2word = {v: k for k, v in self.vocab.items()} # 创建索引到单词的映射
    def create_vocabulary(self):
        vocab = {'<pad>': 0, '<sos>': 1, '<eos>': 2}
        counter = Counter()
        # 统计语料库的单词频率
        for sentence in self.sentences:
            words = sentence.split()
            counter.update(words)
        # 创建词汇表，并为每个单词分配一个唯一的索引
        for word in counter:
            if word not in vocab:
                vocab[word] = len(vocab)
        return vocab
    def make_batch(self, batch_size, test_batch=False):
        input_batch, output_batch = [], [] # 初始化批数据
        sentence_indices = torch.randperm(len(self.sentences))[:batch_size] # 随机选择句子索引
        for index in sentence_indices:
            sentence = self.sentences[index]
            # 将句子转换为索引序列
            seq = [self.vocab['<sos>']] + [self.vocab[word] for word in sentence.split()] + [self.vocab['<eos>']]
            seq += [self.vocab['<pad>']] * (self.seq_len - len(seq)) # 对序列进行填充
            # 将处理好的序列添加到批次中
            input_batch.append(seq[:-1])
            output_batch.append(seq[1:])
        return torch.LongTensor(input_batch), torch.LongTensor(output_batch)

with open("lang.txt", "r") as file: # 从文件中读入语料
    sentences = [line.strip() for line in file.readlines()]
corpus = LanguageCorpus(sentences) # 创建语料库
vocab_size = len(corpus.vocab) # 词汇表大小
max_seq_len = corpus.seq_len # 最大句子长度（用于设置位置编码）
print(f" 语料库词汇表大小 : {vocab_size}") # 打印词汇表大小
print(f" 最长句子长度 : {max_seq_len}") # 打印最大序列长

在这里插入图片描述

import torch.optim as optim # 导入优化器
device = "cuda" if torch.cuda.is_available() else "cpu" # 设置设备
model = GPT(vocab_size, max_seq_len).to(device) # 创建 GPT 模型实例
criterion = nn.CrossEntropyLoss() # 损失函数
optimizer = optim.Adam(model.parameters(), lr=0.0001) # 优化器
epochs = 500 # 训练轮次
for epoch in range(epochs):  # 训练 epochs 轮
    optimizer.zero_grad() # 梯度清零
    inputs, targets = corpus.make_batch(batch_size) # 创建训练数据
    inputs, targets = inputs.to(device), targets.to(device)
    outputs = model(inputs) # 获取模型输出 
    loss = criterion(outputs.view(-1, vocab_size), targets.view(-1)) # 计算损失
    if (epoch + 1) % 100 == 0: # 打印损失
        print(f"Epoch: {epoch + 1:04d} cost = {loss:.6f}")
    loss.backward() # 反向传播
    optimizer.step() # 更新参数

在这里插入图片描述

def generate_text(model, input_str,max_len=50):
    model.eval()#将模型设置为评估(测试)模式，关闭dropout 和 batch normalization等训练相关的层
    # 将输入字符串中的每个token转换为其在词汇表中的索引 
    input_tokens = [corpus.vocab[token] for token in input_str]
    #创建一个新列表，将输人的tokens复制到输出tokens中，目前只有输入的词 
    output_tokens = input_tokens.copy()
    with torch.no_grad():# 禁用梯度计算，以节省内存并加速测试过程 
        for _ in range(max_len):   # 生成最多 max_len个tokens
            #将输出的 token 转换为PyTorch张量，并增加一个代表批次的维度[1,len(output_tokens)] 
            inputs = torch.LongTensor(output_tokens).unsqueeze(0).to(device)
            outputs = model(inputs) # 输出 logits 形状为[1, len(output_tokens), vocab_size]
            # 在最后一个维度上获取logits中的最大值，并返回其索引(即下一个token)
            _, next_token = torch.max(outputs[:, -1, :], dim=-1)
            next_token = next_token.item()#将张量转换为Python整数 
            if next_token == corpus.vocab["<eos>"]:
                break #如果生成的token是EOS(结束符)，则停止生成过程
            output_tokens.append(next_token) #将生成的 tokens 添加到output_tokens 列表
    #将输出 tokens转换回文本字符串
    output_str = " ".join([corpus.idx2word[token] for token in output_tokens])
    return output_str
                           
input_str = ["Python"]#输入一个词:Python
generated_text = generate_text(model, input_str) #模型根据这个词生成后续文本 
print("生成的文本:",generated_text) #打印预测文本

在这里插入图片描述

小结

文本生成中的GPT自回归，贪婪解码在我们这个例子中，效果还算不错。在有些情况下，贪婪解码计算效率高，但容易产生一些问题，如tokens(比如《eos》)反复出现，无意义词句组合循环出现，这是因为算法陷入局部最优解。而另一种常见的搜索算法是集束搜索，它能够更好地平衡全局最优解和局部最优解。

学习的参考资料：GPT图解

you_are_my_sunshine*
关注
专栏目录
构建GPT模型并完成文本生成任务
AI大模型应用之禅
06-18 974
1. 背景介绍 自然语言处理（NLP）是人工智能领域的一个重要分支，它涉及到计算机如何理解和处理人类语言。文本生成是NLP中的一个重要任务，它可以用于自动摘要、机器翻译、对话系统等领域。GPT（Generative Pre-trained Transformer）是一种基于Transformer的预训练语言模型，由OpenAI团队提出。GPT模型在文
NLP文本生成模型数据准备及实战
data+scenario+science+insight
07-31 313
NLP文本生成模型数据准备及实战 自然语言处理+数据准备 Machine readable vector format 自然语言处理NLP的数据预处理有哪些共性，可以参考？ 什么样的数据格式是深度学习模型可以消费的？ 你可以喂给模型的？ 不同的深度学习模型，不同的任务类型，数据喂给的方式是怎么变化的？ 各种词和句的embedding又是怎么和系统结合的？ 例子 1 这短短的一生，我们最终都会失去。你不妨大胆一些，爱一个人，攀一座山，追一
NLP与文本生成：使用GPT模型构建自动写作系统
最新发布
2401_85639015的博客
09-17 1354
GPT（Generative Pre-trained Transformer）模型是由OpenAI提出的基于Transformer架构的生成模型。它的核心思想是利用大规模的预训练和精调过程来生成高质量的文本。GPT模型的主要版本包括GPT-1、GPT-2、GPT-3以及最新的GPT-4。GPT-1：提出了基于Transformer的生成模型架构，开启了预训练和微调的研究方向。GPT-2：显著扩大了模型规模和训练数据，展示了强大的文本生成能力。GPT-3。
Text-generation-task-and-language-model-GPT2:通过语言模型GPT2解决文本生成任务，包括论文，代码，演示演示和动手教程。使用语言模型GPT2来解决文本生成任务的资源，包括论文，代码，展示演示和动手教程-源码资本
03-24
文本生成任务和语言模型GPT2 该资源池的第一部分总结了用于使用语言模型GPT2解决文本生成任务的资源，包括论文，代码，演示演示和动手教程。 第二部分展示了GPT2在机器翻译，自动摘要生成，迁移学习和音乐生成的文本生成任务中的应用。 最后，比较了2018年至2019年之间基于Transformer的15种主要语言模型。 第二部分展示了GPT2在机器翻译，自动摘要生成，迁移学习和音乐生成这些文本生成任务上的应用。最后对比了2018-2019年间重要的基于Transformer的15个语言模型 GPT-2 GPT-2是OpenAI于2019年2月发布的一种基于变压器的大型语言模型。它包含15亿个参数，并在800万个Web数据集中进行了训练。 据报道，该模型是GPT模型的直接扩展，训练的数据量超过10倍，参数量也增加了10倍。 在性能方面，该模型能够生成连贯的文本段落，并在许多语言建模基准上
预训练时代下的文本生成｜模型&技巧
李rumor
01-18 1013
卷友们好，我是rumor。最近没看到啥好玩的NLP文章，于是开始读综述了。今天推荐一篇人大出品的37页文本生成综述：ASurveyofPretrainedLanguageMode...
Python实战：NLP文本生成模型数据准备与训练
qq_39605374的博客
06-05 711
在进行NLP文本生成模型的数据准备前，我们首先需要采集相关的数据集。随着自然语言处理技术的不断发展，NLP文本生成是一个备受关注的领域，它可以为文本生成、语音合成、机器翻译等应用提供强大的支持。在这篇文章中，我们将介绍如何使用Python进行NLP文本生成模型的数据准备与训练。通过这篇文章的学习，相信读者已经掌握了使用Python进行NLP文本生成模型的数据准备与训练的方法，希望对大家的实践有所帮助！完成模型训练后，我们可以使用训练好的模型进行文本生成。在进行模型训练前，我们需要选择适合我们任务的模型。
NLP文本自动生成介绍及Char-RNN中文文本自动生成训练demo
weixin_42280271的博客
02-20 2551
模型使用了两个双向的LSTM，然后再接了一个全连接层，整体都比较简单，没有什么可以详细阐述的。
深度学习NLP领域文本生成总结
qq_43588670的博客
03-13 2084
深度学习 Nlp领域总结
基于python的GPT2中文文本生成模型项目实现
03-26
GPT-2（Generative Pre-trained Transformer 2）是由OpenAI开发的一个强大的预训练语言模型，它能够根据输入的文本自动生成连贯、有意义的文本，尤其适用于自然语言处理（NLP）领域的各种应用，如对话系统、文章创作...
使用预训练的GPT大语言模型（例如GPT-2）进行文本生成的示例代码.txt
08-16
GPT模型采用自回归的方式，通过预测序列中的下一个词来完成训练过程，这种训练方式使GPT模型具备了强大的文本生成能力。 #### 二、Hugging Face Transformers 库 Hugging Face Transformers 是一个开源库，提供了...
基于中文 GPT2 预训练模型的文本分类微调.zip
01-07
这是一个在自然语言处理（NLP）领域常见的应用场景，它涉及到深度学习、自然语言理解和机器学习等技术。让我们详细了解一下相关的知识点。 1. **预训练模型**：预训练模型是指在大规模无标注数据上预先训练的神经...
从零构建属于自己的GPT系列
12-12
从零构建属于自己的GPT系列 1、 从零构建属于自己的GPT系列1：数据预处理（文本数据预处理、文本数据tokenizer、逐行代码解读） 2、从零构建属于自己的GPT系列2：模型训练1（预训练中文模型加载、中文语言模型训练、逐行代码解读） 3、从零构建属于自己的GPT系列3：模型训练2（训练函数解读、模型训练函数解读、代码逐行解读） 4、从零构建属于自己的GPT系列4：模型训练3（训练过程解读、序列填充函数、损失计算函数、评价函数、代码逐行解读） 5、从零构建属于自己的GPT系列5：模型部署1（文本生成函数解读、模型本地化部署、文本生成文本网页展示、代码逐行解读） 6、从零构建属于自己的GPT系列6：模型本地化部署2（文本生成函数解读、模型本地化部署、文本生成文本网页展示、代码逐行解读）
自然语言处理的文本生成与文本模型
AI天才研究院
01-25 758
1.背景介绍 1. 背景介绍 自然语言处理(NLP)是计算机科学与人工智能领域的一个分支，研究如何让计算机理解、生成和处理人类自然语言。文本生成是NLP中的一个重要任务，涉及将计算机理解的信息转换为自然语言文本。文本模型则是用于描述和预测文本数据的数学模型。本文将探讨自然语言处理的文本生成与文本模型，揭示其核心概念、算法原理、最佳实践以及实际应用场景。 2. 核心概念与联系 在自然语言处理...
从零开始打造更强的私有GPT大模型- RAG教程
xxue345678的博客
07-23 1216
众所周知，大模型基于海量的数据来训练，它具备非常强大的智能，能够回答各种问题。但是我们在使用过程中发现，通用大模型在某些专业领域能力还不够强，很多领域相关问题很难回答得上来。通常，预训练（pre-train）的大模型只懂得它训练时用的数据，对于训练集之外的新信息（比如网络搜索新数据或特定行业的知识）就不太清楚。那么怎么构建一个私有的GPT大模型呢？方法有很多种，包括 1. 重新训练私有领域数据的大模型，2. 基于已有大模型做专有数据的微调(FineTuning) 3. 通过RAG技术，优化大模型基础能力。
什么是GPTs？如何创建GPTs？详细图文教程！一步步带你创建GPTs！
gptgogogo的博客
03-27 1677
什么是GPTs？如何创建GPTs？GPTs保姆级教程！ChatGPT GPTs介绍
【代码解读】Transformer（一）——Encoder
qq_41693168的博客
10-29 3712
encoder-decoder
【pytorch】Transformer的Pytorch实现-简单翻译
qq_45670134的博客
11-23 958
使用Pytorch构建Transformer，采用了两对德语→英语翻译的句子，每个字的索引通过手动硬编码，降低代码阅读难度。构建编码器的输入、解码器的输入、解码器的输出即真实标签。
如何建立GPT模型？
weixin_55551028的博客
06-08 306
GPT是一种基于transformer架构的AI语言模型，它是预训练的、生成的、无监督的，并且能够在零/一次/少量多任务设置中表现良好。景联文科技提供的产品为全链条AI数据服务，从数据采集、清洗、标注、到驻场的全流程、垂直领域数据解决方案一站式AI数据服务，满足了不用应用场景下的各类数据采集标注业务的需要，协助人工智能企业解决整个人工智能链条中数据采集标注环节的相对应问题，推动人工智能在更多地场景下实现落地应用，构建完整的AI数据生态。GPT模型是由OpenAI团队创建的基于深度学习的语言模型的集合。
如何从0开始构建GPT模型?
Meta.Qing的博客
04-10 1489
OpenAI 推出强大的生成式预训练转换器 （GPT） 语言模型，为自然语言处理 （NLP） 开辟了新的领域。将 GPT 模型集成到虚拟助手和聊天机器人中可以增强它们的能力，这导致对 GPT 模型的需求激增。根据 Allied Market Research 发布的一份题为“全球 NLP 市场”的报告，2020 年全球 NLP 市场规模为 111 亿美元，预计到 2030 年将达到 3415 亿美元，2021 年至 2030 年的复合年增长率为 40.9%。有趣的是，对 GPT 模型的需求是这一增长的主要贡
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值